动力电池SOC估计研究方法及梯次利用方法的发展现状

仇顺荣,李成冬,田 旭

(盐城工学院汽车工程学院,江苏 盐城 224051)

近些年,大量的动力电池被研发出来并得到了广泛使用,而新能源汽车销量不断提高,进一步增加了动力电池的使用量。在已投入使用的新能源动力电池中,锂离子电池具有良好的性能及较高的能量密度,已成为新能源汽车的动力源。在电池监测过程中,动力电池管理发挥着举足轻重的作用,而 SOC在此系统中扮演着极其重要的角色。提高SOC估计的准确性可增加电池的使用时间,将能量利用率最大化。SOC估计方法主要包括安时积分法、空载电压法、安时积分与空载电压相结合的方法、基于模型估计的方法、虚拟数据驱动方法等。近年来,随着动力电池的不断发展,动力电池也将进入大规模退役阶段,其中新能源汽车的动力电池最大容量在达到标准容量的80%时退役,而退役电池可用于其他储能场景,因此对退役电池进行合理筛选及梯次利用可有效节省资源。本研究针对目前较为主流的SOC估计方法及梯次利用方法进行了综述。

1 锂离子电池模型

目前,常用的锂离子电池模型主要有3种,即电化学模型、等效电路模型及数据驱动模型。

1.1 电化学模型

该模型是以电池的化学反应变化为基础而建立的表征电池特性的化学方程,但电化学模型结构复杂,需要确定较多的参数,实际预测精度较低,因此不适用于电池SOC估算方法的研发。

1.2 等效电路模型

该模型计算难度较小,更容易实现参数辨识,具有实时性,因此被广泛应用于电池管理系统中。王顺利等[1]通过对PNGV等效电路模型进行处理,对锂电池工作特性进行模拟,得到动力电池在不同工作条件下的状态,精确获取了电池工作特性规律。黄凯等[2]使用线性粒子群优化算法进行参数识别,提出一种可减小由于迟滞效应所带来的误差改进方法,并验证了该方法的可行性。贾玉健[3]提出了一种新型等效电路模型,经过改进后该模型具有良好的模拟效果,可综合研究电池容量、暂态响应、运行时间等多种性能。徐佳宁等[4]对多种模型在各种循环工况下进行试验,并对其结果进行分析对比,结果显示,DP模型在各个方面都优于其他模型。Ad[5]则改进了DP模型,电池的开路电压由受控电压源表示,该方法可较为明确地体现动力电池OCV值与SOC之间的关系,使模型更加精准。

1.3 数据驱动模型

数据驱动模型近年来发展迅速,目前较为主流的包括ANN、ANFIS、SVN和DNN。BY[6]提出了一种新的ANN模型,该模型考虑了温度的影响,将电池的非线性关系表示出来。Cheng[7]建立了一个改进的前馈神经网络预测模型,在不同条件下进行试验,均可得到较好的准确性及鲁棒性。虽然数据驱动模型需要大量数据集作为基础,且容易受各种因素的影响,但经过充分训练后依旧可以得到较高的精确度。

2 基于模型的SOC估计方法

该方法需要进行参数识别获得必要的参数,再进行建模并验证模型的准确性,结合模型及SOC估计方法进行验证。

2.1 参数辨识算法

参数辨识算法有两种,即离线和在线辨识,离线参数辨识方法在电池进行SOC估计时不需要对参数进行计算,较为简单。在线参数辨识方法可实时对模型参数进行估计,模型精度得到了提高。王建锋等[8]采用加权自适应递推最小二乘法进行参数识别,实验结果得出该方法的精度较高。SHI等[9]对递推最小二乘法进行改进,在最小二乘法的基础上加入了遗忘因子进行参数辨识。该方法可以自动调节遗忘因子,但是计算变得更加复杂。朱瑞等[10]针对在参数辨识过程中各参数会相互影响这一问题,在使用最小二乘法进行参数辨识的同时加入了分布式递推算法,规避了这种现象。Wang等[11]在使用EKF算法进行参数辨识和SOC估计时,采取双滤波的形式进行识别,极大程度减少了计算量。黄凯等[12]提出了一种FPSO算法,该算法可自动调整粒子的位置并更新信息。实验结果表明,该算法可提高模型精度。刘芳等[13]提出了一种新型算法,该算法将GA参数识别技术进行改进,并与LS-UPF算法进行对比,验证了其可以提供更好的辨识精度。

2.2 SOC估计方法

SOC估计方法主要为基于滤波的方法,目前较为流行的方法是卡尔曼滤波法,卡尔曼滤波算法又包含EKF、UKF及CKF。

2.2.1 基于EKF的SOC估计方法

扩展卡尔曼滤波算法是在标准卡尔曼滤波的基础上将非线性函数线性化,通过卡尔曼滤波算法近似计算出状态和方差的估计值。潘海鸿[14]提出将GM模型与EKF算法相结合,通过GM对当前时刻的状态估算,再由观测值进行更新修正得到SOC值。验证说明该方法估计SOC可得到更高的精度。

2.2.2 基于UKF的SOC估计方法

无迹卡尔曼滤波算法原理与扩展卡尔曼滤波相似。UKF利用Sigma采样点模拟出状态概率密度函数,此方法得到的预测模型均值及方差均高于EKF算法。费亚龙[15]提出了一种基于平方根UKF算法的SOC估计方法,经验证,该算法具有较高的稳定性。魏克新[16]设计了一种AUKF算法来估计SOC,它可以不断地对电池参数进行调整,不仅能够提高SOC的估计精度,还可计算出动力电池的内阻。程泽[17]提出一种ASRUKF算法,经过实验验证,该算法比无迹卡尔曼滤波算法更加精准,降低了4%的估计误差,还可以准确地评估电池的健康状态。章军辉等[18]提出了一种AUKF算法,利用带遗忘因子的Sage-Husa自适应估计方法,保证了预估结果的稳定性。PENG等[19]研究了新型 ADUKF算法对动力电池进行SOC估计,该算法可以在同一时间对参数进行识别并估计SOC值,大大提高了工作效率。经实验验证,该方法可得到较高的精度。

2.2.3 基于CKF的SOC估计方法

CKF算法最早由加拿大学者[20]在2009年提出。虽然该方法精度高、运算快,但其缺点是协方差矩阵的随机性。针对该问题,李超然[21]提出一种神经网络与卡尔曼滤波相结合的SOC估计方法,降低了噪声对估计结果的影响。刘芳[22]改进了扩展卡尔曼滤波算法,以电压为输出、电流为输入,得到电池的实时状态,实现了电池全时段的SOC估计。吴忠强[23]则使用了BP-UKF算法,用神经网络模拟出动力电池开路端电压与SOC之间的关系,估计精度有了明显改善。

2.2.4 基于HIF算法的SOC估计方法

HIF算法不需要知道噪声准确的统计特性,且以最小误差为准则。ZHANG等[24]对 HIF算法进行改进,采用指数加权的方法,考虑了数据的影响因素,SOC估计精度相较于初始HIF算法有了较大提升。程明[25]提出了一种EKF-HIF算法,利用模糊神经网络算法来预测电池模型误差,消除了较大的模型误差及由噪声引起的估计误差。

3 影响SOC估计精度的关键因素及应对措施

3.1 温度

锂电池内部的各个参数会随环境温度的变化而变化。弱化温度对SOC估计的影响主要有两种方法：一种是建立变温度模型,此模型考虑了温度变化这一因素。另一种方法是传感器采集电池所处环境的温度并及时进行反馈。

3.2 老化

电池的老化伴随着使用次数的增多而不断加重,设计的电池模型参数需要针对不同情况发生变化,若未考虑此因素的影响,所设计的电池模型将不再适用于实验仿真。针对这一问题,王榘[26]考虑了动力电池的老化及温度影响,实现了动力电池SOC在温度及使用寿命不断变化状态下的估计。严干贵[27]以一种脉冲放电法进行参数辨识,以动力电池开路电压作为状态因子,以ESCV法估算得出的SOH值作为基础准确估计SOC。范文杰[28]提出一种可以估计电池内部温度的方法,极大程度地改善了电池在工作时的温度变化问题。

3.3 电池组不一致性

在生产锂电池的过程中受多种因素的影响,锂离子电池每个单体之间都具有一定的差异性。单体的不一致对动力电池组产生影响,如性能下降、寿命减少、热失控等。因此单体电池需要在一定程度上具有一致性。电池组不一致性影响因素主要包括外电压、最大可用容量及实时SOC等单体电池参数等,因此许多学者提出以这些影响因素为均衡目标来改善电池组的不一致性,即均衡控制策略。

4 动力电池梯次利用

当汽车动力电池达到使用寿命后,需要将动力电池从新能源汽车中取出并交由专门处理报废动力电池的机构进行处理。余能大于80%的废弃动力锂电池依旧符合新能源汽车的使用标准,通过复原及增容技术可用于低耗能车辆。余能在20%～80%的退役电池虽不能满足原级别电动汽车的需求,但仍具有较大的使用空间,可在静态电源中进行梯级利用,延长其生命周期[29]。

一般情况下,对退役动力电池进行重组主要是以单体或模组的形式进行重组,但考虑多种因素,退役电池梯次利用大多是以电池组或电池包的形式进行再利用[30]。

对退役电池进行梯次利用需要一些关键的梯次回收技术,主要包括健康状态和残值评估、快速分选与智能拆解和分级利用与异构兼容、有效均衡、应用场景分析、再退役评估。

健康状态和残值评估：评估主要包括电池最大可用容量、电压均衡性、电池内阻、循环使用寿命等健康指标,提高评估的准确性可更加高效地进行梯次利用。

快速分选,智能拆解,分级利用,异构兼容。根据健康状态和残值评估结果对退役的电池包性能进行快速分选,一致性好的可直接应用,一致性较差的先拆解再分选,合格的考虑重新修复、重组等操作,不合格的直接进行拆解回收。

有效均衡：对分选后的电池进行一致性均衡,改善电池组内电芯差异性,保证电池组性能良好,降低使用安全风险。

应用场景分析：针对不同应用场景细分应用场景市场,实现残值匹配利用。

再退役评估：梯次电池投入使用后,除BMS系统日常监测外,还需开展定期的容量测试和电池性能验证,综合该批次梯次电池分选时的健康状态确定退役标准[31]。

在以上关键技术中,确保退役电池的安全性是梯次利用的关键。因此需对梯次回收技术进行改进。其中郑志坤[32]考虑到目前我国对退役电池剩余性能检测精度不足的问题,从电化学角度介绍了电池容量和库伦效率之间的关系,发现库伦非效率可更加明确且精准地表示动力电池可梯次利用指标。严媛等[33]采用温度实验及直流内阻(DCIR)特性实验方法评估单体电池的健康状态,形成快速、有效地筛选退役电池的流程。周伟[34]系统总结了废旧磷酸铁锂动力电池回收利用的最新进展,对未来回收工艺及原理进行深入研究,针对不同的退役电池采取不同的筛选及回收方法。Cusenza MA等[35]对退役电池梯次利用的环境价值展开分析,证明将其再利用于家用住宅的固定储能系统中可有效减少废旧电池对环境的影响。Cicconi P等[36]基于循环寿命模型的分析研究了如何延长梯次利用电池的寿命。赵伟[37]为确保梯次电池储能系统的经济性,提出基于雨流计数法和等效循环寿命法的梯次电池寿命评估方法。

5 结束语

目前关于动力电池SOC估计的实验研究已有许多,但仍有一些问题有待解决,如尚未研发出适用于实际工作状况的SOC估计方法。目前研发出的SOC估计方法大多的估算结果都是在电脑设备或实验室中计算得出的,几乎很少考虑环境温度、车辆行驶工况、锂电池循环使用次数等因素的影响。未来,需要更多的考虑以上因素对SOC估计精度影响的结果,对其进行实际运行环境下的验证,以更好地应用在实际场景中。

针对动力电池的梯次利用,需加强对退役电池剩余性能及其安全性评估的精准性,建立完整的电池回收体系,对无法梯次利用的动力电池运送至专门的拆解回收机构进行稀有资源回收。可在基于模型的SOC估计基础上使用非基于模型的SOC估计方法,采用EKF算法,添加BP神经网络的SOC估计算法,在对动力电池SOC检测的同时进行预测,并在后续的实验中适当加入不同的外部影响因素,模拟不同的电池使用情况。在动力电池梯次利用方面采用更加精确的评估方法,更加合理地进行资源分配,有效节约成本。